通过自我监督学习进行基于面具建模的超声波图像分类
Kele Xu1, Kang You2, Boqing Zhu1
1National University of Defense Technology Changsha 410073 China.
IEEE open journal of engineering in medicine and biology
|April 12, 2024
概括
这项研究引入了一种自我监督的超声数据分析预训练方法,使用面具建模来学习未标记图像的特征. 该方法有效地处理具有挑战性的超声波数据,并提高分类性能.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 深度学习方法主导超声波数据分析,但需要广泛的注释数据集.
- 超声波图像中的斑点噪声和工件造成了困难的分类挑战.
- 现有的方法难以获得标记的超声波数据.
研究的目的:
- 开发一种自我监督的超声波数据分析预训练方法.
- 解决对超声波深度学习中大型注释数据集的需求.
- 通过处理硬实例和文物来改进超声波图像分类.
主要方法:
- 一种基于对超声数据的面具建模的新型预训练方法.
- 研究三种掩盖策略:随机,垂直和水平掩盖.
- 实施硬样本采矿策略,以管理困难的超声波图像.
主要成果:
- 提出的方法成功地从未标记的超声数据集中提取了代表性特征.
- 与最先进的方法相比,这种方法在超声波图像分类中表现出卓越的性能.
- 即使存在硬实例和成像工件,也可以实现有效的特征提取.
结论:
- 自主监督的面具建模是超声波数据预训练的可行和有效方法.
- 该方法减少了对人类注释的依赖,使得大量未标记的超声数据的使用成为可能.
- 拟议的战略提高了超声波图像分类模型的稳定性和准确性.
